Analytika ve vysokoškolském vzdělávání - Analytics in higher education - Wikipedia

Tento článek má několik problémů. Prosím pomozte vylepši to nebo diskutovat o těchto otázkách na internetu diskusní stránka. (Zjistěte, jak a kdy tyto zprávy ze šablony odebrat) tento článek případně obsahuje původní výzkum. Prosím vylepši to podle ověřování vznesené nároky a přidání vložené citace. Výroky sestávající pouze z původního výzkumu by měly být odstraněny. (Říjen 2016) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) Tento článek obsahuje a seznam doporučení, související čtení nebo externí odkazy, ale jeho zdroje zůstávají nejasné, protože mu chybí vložené citace. Prosím pomozte zlepšit tento článek představuji přesnější citace. (Březen 2020) (Zjistěte, jak a kdy odstranit tuto zprávu šablony) (Zjistěte, jak a kdy odstranit tuto zprávu šablony)

Akademická analytika je definován jako proces hodnocení a analýzy organizačních dat přijatých z univerzita systémy pro hlášení a rozhodování (Campbell, & Oblinger, 2007)[1]. Podle Campbell & Oblinger (2007), akreditační agentury, vlády, rodiče a studenti všichni volají po přijetí nových moderních a účinných způsobů, jak zlepšit a monitorovat úspěch studentů. To zavedlo systém vysokoškolského vzdělávání do éry, která se vyznačuje zvýšenou kontrolou různých oblastí zúčastněné strany. Například recenze společnosti Bradley to uznává benchmarking aktivity, jako je zapojení studentů, slouží jako indikátory pro hodnocení kvality instituce (Commonwealth Vláda Austrálie, 2008).

Zvýšená konkurence, akreditace, hodnocení a regulace jsou hlavními faktory podporujícími přijetí analytiky v vysokoškolské vzdělání. Přestože instituce vyššího vzdělávání shromažďují mnoho důležitých dat, která mohou významně pomoci při řešení problémů, jako je vyčerpání a zadržení, shromážděná data nejsou adekvátně analyzována, a proto jsou převedena do užitečných dat (Goldstein, 2005)

Následně vedení vysokoškolského vzdělávání jsou nuceni činit kritická a zásadní rozhodnutí na základě nedostatečných informací, kterých lze dosáhnout správným využitím a analýzou dostupných údajů (Norris, Leonard, & strategické iniciativy Inc., 2008). To vede ke strategickým problémům. Tato překážka se také zobrazuje na taktická úroveň. Učení a výuka na vysokých školách, pokud jsou často různorodé a složité. Každý učitel, student nebo kurz je zcela odlišný.

Nicméně, LMS má za úkol se o všechny postarat. LMS je středem akademické analytiky. Zaznamenává informace každého studenta a zaměstnanců a vede ke kliknutí v systému. Když jsou tyto rozhodující informace přidány, porovnány a porovnány s různými podnikovými informačními systémy, poskytují instituci širokou škálu užitečných informací, které lze sklidit, aby získaly konkurenční výhodu (Dawson & McWilliam, 2008; Goldstein, 2005; Heathcoate & Dawson, 2005. ).

Aby bylo možné získat smysluplné informace ze zdrojů institucí, tj. LMS, musí být informace správně interpretovány na základě vzdělávací efektivity a tato akce vyžaduje analýzu lidí s dovednostmi učit se a učit. Proto je vyžadován přístup ke spolupráci jak od osob, které údaje hlídají, tak od osob, které je budou interpretovat, jinak budou data nadále úplným odpadem (Baepler & Murdoch, 2010).^[1] Rozhodování na nejzákladnější úrovni je založeno na předpoklad nebo intuice (člověk může činit závěry a rozhodnutí na základě zkušeností, aniž by musel provádět analýzu dat) (Siemens & Long, 2011). Mnoho rozhodnutí učiněných na vysokých školách je však příliš zásadní, než aby z nich bylo možné vycházet anekdota, domněnka nebo intuice, protože důležitá rozhodnutí musí být podložena údaji a fakty.

Analytics, který se často nazývá „business intelligence“, vychází jako nový software a Hardware což umožňuje podnikům shromažďovat a analyzovat velké množství informací nebo dat. Proces analýzy se skládá ze shromažďování, analýzy, manipulování s daty a využití výsledků k zodpovězení důležitých otázek, například „proč“. Analytics byl poprvé použit v přijímacím oddělení na vysokých školách. Instituce obvykle používaly některé vzorce k výběru studentů z velké skupiny uchazečů. Tyto vzorce čerpaly informace z přepisů středních škol a standardizovaných výsledků testů.

V dnešním světě se analytika běžně používá v administrativních jednotkách, jako je získávání finančních prostředků a přijetí. Využívání a aplikace akademické analytiky má růst díky stále rostoucím obavám o úspěch a odpovědnost studentů. Akademická analýza se primárně snoubí s komplexními a rozsáhlými daty prediktivní modelování a statistické techniky pro lepší rozhodování. Současné akademické analytické iniciativy se snaží využít data k předpovědi potíží studentů (Arnold, & Pistilli, 2012, duben).^[2] To umožňuje poradcům a členům fakulty zasáhnout přizpůsobením postupů, které splňují studijní potřeby studenta (Arnold, 2010).^[3] Jako takový má akademická analytika schopnost zlepšovat učení, úspěch studentů a výuku. Analytics se stal pro instituce cenným nástrojem díky své schopnosti předvídat, modelovat a zlepšovat rozhodování.

Analytické kroky

Analýza se skládá z pěti základních kroků: zachycení, hlášení, předvídání, jednání a upřesnění.

Zachyťte: Veškeré analytické úsilí je zaměřeno na data. V důsledku toho lze akademickou analytiku zakořenit v datech z různých zdrojů, například a CMS a finanční systémy (Campbell, Finnegan, & Collins, 2006). Data navíc přicházejí například v různých formátech roztažené listy. Data lze také získat z externího prostředí instituce. K zachycení dat musí akademická analytika určit typ dostupných dat, způsoby jejich využití a formáty, ve kterých jsou.

Zpráva: Poté, co byla data zachycena a uložena na centrálním místě, analytici data prozkoumají a provedou dotazy, identifikovat vzorce, trendy a výjimky zobrazené daty. Směrodatná odchylka a průměr (deskriptivní statistika ) jsou většinou generovány.

Předpovědět: Po analýze uložených dat pomocí statistik, a prediktivní model je vyvinut. Tyto modely se liší v závislosti na povaze otázky a typu dat. Vyvinout a pravděpodobnost, tyto modely používají statistická regrese koncepty a techniky. Předpovědi se dělají po použití statistické algoritmy.

Akt: Hlavním cílem a cílem analytiky je umožnit instituci přijímat opatření na základě pravděpodobností a předpovědi vyrobeno. Tyto akce se mohou lišit od vynález k informacím. Intervence k řešení problémů mohou být ve formě osobního e-mailu, telefonního hovoru nebo automatizovaného kontaktu od fakultních poradců ohledně studijních zdrojů a dovedností, jako jsou úřední hodiny nebo konzultace. Instituce bezpochyby musí přijít s vhodnými mechanismy pro měření dopadů; jako například studenti na pozvání skutečně reagovali nebo se účastnili sezení pomoci.

Vylepšit: Akademická analytika by měla být také tvořena procesem zaměřeným na zdokonalování. Statistické procesy by měly být průběžně aktualizovány, protože měření dopadů projektu není jednorázovým statickým úsilím, ale spíše neustálým úsilím. Například analytika vstupu by měla být každoročně aktualizována nebo revidována.

Pochopení zúčastněných stran

Analytics ovlivňuje výkonní úředníci, studenti, členové fakulty, Zaměstnanci IT a zaměstnanci studentských záležitostí. Zatímco studenti budou mít zájem vědět, že akademická analytika ovlivní jejich známky, členové fakulty budou mít zájem zjistit, jak lze informace a data použít pro jiné účely (Pistilli, Arnold & Bethune, 2012). Zaměstnanci instituce se navíc zaměří na zjištění, jak jim analýza umožní efektivně vykonávat svou práci, zatímco prezident instituce se zaměří na udržení nováčků a zvýšení míry promoce.

Kritiky

Analytika byla kritizována z různých důvodů, jako např profilování. Jejich hlavním využitím je profilování studentů do úspěšných a neúspěšných kategorií. Někteří jednotlivci však tvrdí, že profilování studentů má tendenci zaujatost chování a očekávání lidí (Ferguson, 2012). Kromě toho neexistují jasné pokyny, které otázky profilování by měly být v institucích vysokoškolského vzdělávání zakázány nebo povoleny.

Reference

• Akademická analýza v EDUCAUSE Knihovna zdrojů
• Arnold, K. E. (2010). Signály: Uplatňování akademické analýzy. Educause Quarterly, 33 (1), n1. (odpovědnost)
• Arnold, K. E., & Pistilli, M. D. (2012, duben). Signály kurzu na Purdue: Využití analytiky učení ke zvýšení úspěchu studentů. In Proceedings of the 2nd International Conference on Learning Analytics and Knowledge (pp. 267–270). ACM.
• Baepler, P., a Murdoch, C. J. (2010). Akademická analytika a dolování dat ve vysokoškolském vzdělávání. International Journal for the Scholarship of Teaching and Learning, 4 (2), 17.
• Campbell, J. P. a Oblinger, D. G. (2007). Akademická analýza. Educause článek.
• Campbell, J. P., Finnegan, C., & Collins, B. (2006). Akademická analytika: Používání CMS jako systému včasného varování. V dopadové konferenci WebCT.
• Vláda společenství Austrálie. (2008). Recenze australského vysokoškolského vzdělávání o. Číslo dokumentu)
• Dawson, S., & McWilliam, E. (2008). Zkoumání aplikace dat generovaných IT jako indikátoru výsledků učení a výuky: Queensland University of Technology a University of British Columbia. (A. L. a. T. Rada o. Číslo dokumentu)
• Ferguson, R. (2012). Učit se analytiku: ovladače, vývoj a výzvy. International Journal of Technology Enhanced Learning, 4 (5), 304-317.
• Goldstein, P. (2005). Akademická analytika: Využití manažerských informací a technologií ve vysokém školství o. Číslo dokumentu)
• Heathcoate, L., & Dawson, S. (2005). Dolování dat pro hodnocení, srovnávání a reflexní praxi v LMS. E-Learn 2005: Světová konference o e-učení v podnikové sféře, státní správě, zdravotnictví a vysokoškolském vzdělávání.
• Norris, D. M., Leonard, J., & Strategic Initiatives Inc. (2008). Co každý vedoucí kampusu potřebuje vědět o Analytics o. Číslo dokumentu)
• Pistilli, M. D., Arnold, K., & Bethune, M. (2012). Signály: Využití akademické analýzy k podpoře úspěchu studentů. EDUCAUSE Recenze online, 1-8.
• Siemens, G., & Long, P. (2011). Pronikání do mlhy: Analýzy ve výuce a vzdělávání. Educause Review, 46 (5), 30-32.

Reference